，，， ，

(河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130)

0 引言

倒角類沖壓零件(沖壓件)在汽車行業(yè)應(yīng)用廣泛，是寶馬、奔馳、大眾等汽車后備箱、前機(jī)蓋以及車門等鎖具必不可少的重要精密零部件，其產(chǎn)品質(zhì)量有助于保障汽車密封性、可靠性以及駕駛?cè)藛T的生命財(cái)產(chǎn)安全。輪廓缺陷將會(huì)嚴(yán)重影響咬合連接的光滑度、安裝導(dǎo)向以及正確裝配等，進(jìn)而影響最終產(chǎn)品的性能。因此，倒角類沖壓零件輪廓缺陷檢測(cè)對(duì)于保障產(chǎn)品高質(zhì)量非常重要[1]。

工業(yè)上倒角類沖壓零件是通過推送規(guī)定厚度、尺寸的鋼板經(jīng)倒角沖壓模具沖壓而成，內(nèi)含沖孔，輪廓外凸內(nèi)陷不一致，包含多個(gè)倒角、弧形以及長(zhǎng)度不一致的直線段，形狀奇異極不規(guī)則。加工時(shí)極易出現(xiàn)邊角缺損、死角處粘料、輪廓變形等小輪廓缺陷。目前，輪廓缺陷都是人工進(jìn)行目測(cè)，隨著產(chǎn)品的大規(guī)模批量化生產(chǎn)，檢測(cè)精度要求越來越高。采用人工識(shí)別，因量大、輪廓不規(guī)則，小輪廓缺陷極易混淆難以識(shí)別，效率低、可靠性差，難以滿足汽車零部件智能化產(chǎn)業(yè)升級(jí)的要求，急需智能化檢測(cè)方案。機(jī)器視覺通過機(jī)器代替人眼做出測(cè)量和判斷，具有非接觸性、柔性好、適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，結(jié)合圖像處理，形成了高速光學(xué)自動(dòng)化在線視覺精密檢測(cè)系統(tǒng)，在現(xiàn)代工業(yè)檢測(cè)中受到了廣泛重視[2-4]。

針對(duì)輪廓缺陷檢測(cè)，閾值分割提取相關(guān)矩形區(qū)域，搜索并測(cè)量近似參考線的邊緣直線長(zhǎng)度，進(jìn)而檢測(cè)機(jī)電零件缺陷[5]，難以適用于形狀不規(guī)則的倒角類沖壓零件輪廓缺陷檢測(cè)。文獻(xiàn)[6]采用最小包圍面積矩形作為計(jì)算特征進(jìn)行的粗配準(zhǔn)，結(jié)合基于角度直方圖的精配準(zhǔn)方法進(jìn)行缺陷檢測(cè)，仍舊難以達(dá)到較高的配準(zhǔn)精度。文獻(xiàn)[7]提出一種基于統(tǒng)計(jì)矩的輪廓缺陷檢測(cè)算法，通過提取輪廓不變矩特征，對(duì)比相似度識(shí)別輪廓缺陷，但針對(duì)大缺陷，效果明顯，難以識(shí)別小輪廓缺陷。

為解決倒角類沖壓零件輪廓缺陷甚至是小缺陷這一重大難題，圖像輪廓是描述圖像的重要手段，用于目標(biāo)對(duì)象的分割，特征提取和目標(biāo)識(shí)別[8-9]，其視覺檢測(cè)廣泛應(yīng)用于車輛、醫(yī)學(xué)、航天、石材、精密測(cè)量等領(lǐng)域[10-11]。本文提出了模糊集合的輪廓提取算法和缺陷匹配識(shí)別方法。首先提取輪廓，然后利用輪廓的點(diǎn)、線特征，根據(jù)邊緣點(diǎn)出現(xiàn)的概率采用霍夫變換定位待檢測(cè)沖壓件，進(jìn)而得以校正。然后，提出了差分相似匹配算法，適用于多種倒角類沖壓零件，準(zhǔn)確檢測(cè)以及定位輪廓缺陷，完成缺陷檢測(cè)。

1 視覺檢測(cè)系統(tǒng)配置及工作原理

1.1 檢測(cè)系統(tǒng)配置及功能

如圖1，倒角類沖壓零件小輪廓缺陷視覺檢測(cè)實(shí)驗(yàn)平臺(tái)主要包含：高亮的照明系統(tǒng)、對(duì)射光纖傳感器、透明鋼化玻璃旋轉(zhuǎn)圓盤、MER-500-14GM(500萬像素高精度工業(yè)相機(jī))、計(jì)算機(jī)、控制系統(tǒng)、零件分類機(jī)構(gòu)等。

圖1 倒角類沖壓零件小輪廓缺陷視覺檢測(cè)系統(tǒng)示意圖

1.2 視覺檢測(cè)系統(tǒng)工作原理

工作原理主要是：檢測(cè)系統(tǒng)啟動(dòng)后，采用背部照明的方式，以采集對(duì)比度明顯的沖壓件模板圖像；然后，控制系統(tǒng)控制圓盤勻速旋轉(zhuǎn)，待檢測(cè)沖壓件持續(xù)逐個(gè)傳送到旋轉(zhuǎn)圓盤上，被圓盤載到相機(jī)正下方，對(duì)射光纖傳感器傳輸工件到達(dá)信號(hào)給控制系統(tǒng)，控制系統(tǒng)控制圓盤停止，并觸發(fā)相機(jī)實(shí)時(shí)采集沖壓件圖像，避免了運(yùn)動(dòng)連續(xù)抓拍所產(chǎn)生的工件圖像變形；采集完成，計(jì)算機(jī)執(zhí)行缺陷檢測(cè)算法，實(shí)時(shí)判斷零件是否合格，存在缺陷時(shí)標(biāo)記缺陷，反饋信號(hào)給控制系統(tǒng)，控制機(jī)械分類結(jié)構(gòu)分類，最終完成沖壓件缺陷檢測(cè)以及分類，并控制圓盤旋轉(zhuǎn)檢測(cè)下一個(gè)沖壓件。

本文設(shè)計(jì)的檢測(cè)系統(tǒng)原理流程圖如圖2。

圖2 倒角類沖壓零件小輪廓缺陷視覺檢測(cè)系統(tǒng)流程圖

圖3 沖壓件處于相機(jī)視野不同位置圖像采集示意圖

實(shí)際采集圖像時(shí)，沖壓件有一定的厚度，范圍是3～4.5 mm，這樣導(dǎo)致在相機(jī)視野的不同位置時(shí)，會(huì)存在一定的視覺角度差異，即相機(jī)采集到的圖像是有差異的，如圖3。其中，α為視場(chǎng)角，β、φ為沖壓件在相機(jī)不同視野下的視覺角度。

為減少此問題給檢測(cè)帶來的后續(xù)困擾，增加對(duì)射光纖傳感器，當(dāng)沖壓件到相機(jī)正下方時(shí)，控制系統(tǒng)控制透明鋼化玻璃旋轉(zhuǎn)圓盤停止，并觸發(fā)相機(jī)采集圖像，以保證圖像不失真，檢測(cè)更加精確。

2 倒角類沖壓零件輪廓缺陷檢測(cè)

2.1 倒角類沖壓零件模糊集合輪廓檢測(cè)

定義A為論域U上的模糊集合，存在一個(gè)映射，將集合U映射到單位空間[0,1][13]，如下式：

μA：U→[0,1]，u→μA(u)

(1)

模糊集合A表示為：

μc(u)=μA(u)∧μB(u)

(2)

其中:μc(u)=μA(u)∧μB(u)為模糊集合μc(u)=min[μA(u),μB(u)]的隸屬函數(shù)，u(i,j)=f(x-1+i,y-1+j)-f(x,y)對(duì)應(yīng)值0≤i≤2;0≤j≤2，叫做元素對(duì)的隸屬度，利用隸屬度反映元素相對(duì)屬于該模糊集合程度，對(duì)模糊集合進(jìn)行量化。當(dāng)(x,y)的時(shí)候，所有的是模糊集合的完全成員；當(dāng)u(2,1)的時(shí)候，所有的都不是模糊集合的成員，當(dāng)WHITE1的值介于0和1之間，那么此時(shí)的u(2,1)稱為模糊集合的不完全成員。

模糊集合的運(yùn)算是利用隸屬函數(shù)的計(jì)算得到的，模糊集合ZERO、f(x,y)的交集WHITE2，記作：

μc(u)=μA(u)∧μB(u)

(3)

μc(u)=min[μA(u),μB(u)]

(4)

模糊集合推理輪廓檢測(cè)，主要使用3*3的像素模板，計(jì)算中心鄰域灰度差：

u(i,j)=f(x-1+i,y-1+j)-f(x,y)

(5)

其中:0≤i≤2;0≤j≤2，假設(shè)I為圖像，f(x,y)∈I為圖像點(diǎn)(x,y)像素值，u(i,j)為其與鄰域像素的灰度差，表示平滑程度，如圖4。

圖4 中心鄰域灰度差示意圖

在空間域中，處于平坦域上的像素為亮，邊緣域的像素為暗。采用模糊鄰域特性實(shí)現(xiàn)模糊邊界增強(qiáng)的效果，滿足以下規(guī)則：

1)若u(1,0)和u(2,1)是ZERO，則f(x,y)是WHITE1；

2)若u(2,1)和u(1,2)是ZERO，則f(x,y)是WHITE2；

3)若u(1,2)和u(0,1)是ZERO，則f(x,y)是WHITE3；

4)若u(0,1)和u(1,0)是ZERO，則f(x,y)是WHITE4；

5)否則f(x,y)是BLACK。

其中u(1,0)、u(0,1)、u(2,1)、u(1,2)為輸入的精確值，ZERO為模糊集合，WHITEi、BLACK為模糊輸出子集(i=1,2,3,4)，均有相應(yīng)輸出隸屬度。

ZERO={μZERO(u(i,j))|u(i,j)∈U}

(6)

μZERO(u(i,j))為輸入隸屬函數(shù)。

WHITE1={min[μZERO(u(1,0)),μZERO(u(2,1))]}

(7)

同理可求：WHITE2、WHITE3、WHITE4。

BLACK=min[(1-WHITEi)]

(8)

本文算法增加了權(quán)重比例系數(shù)λ1、λ2，使得輸出更加精確，各規(guī)則輸出權(quán)重定義為Vk：

(9)

計(jì)算最終輸出隸屬度：

(10)

EDGE為邊緣模糊集合，根據(jù)輸出隸屬度大小，判斷該像素是否是邊緣像素，進(jìn)而提取沖壓件輪廓。通過引入模糊集合，根據(jù)隸屬度將評(píng)判標(biāo)準(zhǔn)更加細(xì)化，在無需確定閾值的情況下對(duì)數(shù)字圖像進(jìn)行邊緣提取。

2.2 倒角類沖壓零件定位和對(duì)準(zhǔn)

為了定位沖壓件，本文引入了HOUGH變換，根據(jù)不規(guī)則沖壓件輪廓自身的點(diǎn)、線特征(內(nèi)含沖孔，圓心位置則能體現(xiàn)出沖孔位于圖像中的位置等)對(duì)目標(biāo)進(jìn)行定位。HOUGH變換能夠檢測(cè)圖中的幾何形狀，并得到相關(guān)的特征參數(shù)，具有精度高、抗噪能力強(qiáng)等優(yōu)點(diǎn)[12]。

基本原理是將圖像空間的曲線，經(jīng)表達(dá)式變換為參數(shù)空間中一個(gè)點(diǎn)。在直角坐標(biāo)系中，直線表式示為：

y=ax+b

(11)

在參數(shù)坐標(biāo)系中直線對(duì)應(yīng)的表達(dá)式為：

b=xa-y

(12)

其中:a和b是確定的參數(shù)，分別是斜率和截距，(x,y)為直線像素點(diǎn)坐標(biāo)，投影到參數(shù)坐標(biāo)系下，(a,b)點(diǎn)會(huì)確定一簇直線，形成參數(shù)空間峰值點(diǎn)，通過檢測(cè)峰值點(diǎn)來實(shí)現(xiàn)直線的檢測(cè)。其中，圖像平面坐標(biāo)和參數(shù)平面坐標(biāo)的轉(zhuǎn)換關(guān)系如圖5。

圖5 HOUGH變換直線檢測(cè)示意圖

但實(shí)際應(yīng)用中，為避免出現(xiàn)斜率無窮大，截距為 0 等奇異情況，將直線表示成極坐標(biāo)形式。

ρ=x*cos(θ)+y*sin(θ)

(13)

參數(shù)空間中的每一個(gè)點(diǎn)都會(huì)對(duì)應(yīng)原圖中的2、3或n個(gè)特征點(diǎn)。假設(shè)圖中的像素點(diǎn)為：

M={mi=(xi,yi)|i=1,2,3...}

(14)

為解決識(shí)別時(shí)間長(zhǎng)這一缺點(diǎn)，預(yù)先設(shè)定閾值，選擇一對(duì)特征點(diǎn)(mi,mj)值，則繼續(xù)尋找特征點(diǎn)對(duì)，若符合參數(shù)點(diǎn)(ρl,θl)就可以通過一對(duì)特征點(diǎn)構(gòu)成的直線方程組求得：

(15)

參數(shù)數(shù)組(ρl,θl)根據(jù)求得的結(jié)果進(jìn)行累加，繼續(xù)上述操作，直到某個(gè)數(shù)組先超過規(guī)定的一個(gè)最大值T，相應(yīng)的最大的N(ρl,θl)數(shù)組則表示要檢測(cè)的直線，大大提高了檢測(cè)速度。在圖像坐標(biāo)系中，HOUGH變換檢測(cè)圓以及直線，返回線段兩端點(diǎn)坐標(biāo)以及圓的圓心參數(shù)，定位沖壓零件示意圖如圖6。

圖6 圖像坐標(biāo)系中沖壓件位姿示意圖

其中，l(x,y)輪廓最長(zhǎng)的直線線段，c(x,y)圓形曲線，計(jì)算直線與y軸正方向的夾角θ。根據(jù)夾角θ與圓心參數(shù)，對(duì)比計(jì)算得到待檢測(cè)沖壓件以模板沖壓件為期望值的旋轉(zhuǎn)角度和平移距離。

Δθ=θ′-θ

(16)

平移量,則可以通過待檢測(cè)沖壓件圓心O′與標(biāo)準(zhǔn)模板沖壓件圓心O相減得到。

水平方向沿x軸方向平移量：

Δx=x-x′

(17)

豎直方向沿y軸方向的平移量：

Δy=y-y′

(18)

依據(jù)得到旋轉(zhuǎn)點(diǎn)、旋轉(zhuǎn)量以及平移量模板的期望姿態(tài)對(duì)沖壓件進(jìn)行旋轉(zhuǎn)、平移仿射變換校正，對(duì)準(zhǔn)沖壓件。本文對(duì)提取的輪廓進(jìn)行HOUGH變換，避免了檢測(cè)圖像平面，可能會(huì)有多條符合條件的圓與直線，進(jìn)而難以達(dá)到精確定位效果的難題。

2.3 圖像相似匹配

大小為M×N灰度圖像可以通過f(x,y)來描述，其矩陣表示方式為：

(19)

f(x,y)表示圖像(x,y)坐標(biāo)處的像素值，N和M分別表示橫向和縱向的寬度，I為采集的圖像，假設(shè)有兩幅圖像IA，IB。對(duì)準(zhǔn)后，對(duì)兩圖進(jìn)行差分，得到差值圖，如圖14。其中，相似距離定義為兩個(gè)圖像對(duì)應(yīng)灰度值差的平方和：

(20)

D值可以作為衡量圖像匹配程度的度量值。設(shè)定閾值TH，結(jié)果R為：

(21)

通過上述結(jié)果判定沖壓件是否存在缺陷，其中，R=1時(shí)，判定沖壓件合格；R=0時(shí)，判定沖壓件存在缺陷。

3 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文方法的準(zhǔn)確性以及有效性，采用不規(guī)則的倒角類沖壓零件進(jìn)行實(shí)驗(yàn)，并與Hu不變矩方法[7]對(duì)比分析。

3.1 Hu不變矩方法實(shí)驗(yàn)結(jié)果及分析

Hu不變矩方法，主要提取標(biāo)準(zhǔn)件、兩個(gè)合格件與兩個(gè)缺陷件輪廓的7個(gè)Hu不變矩參數(shù)，測(cè)試結(jié)果見表1。

表1 Hu不變矩參數(shù)比較

根據(jù)7個(gè)Hu不變矩參數(shù)，標(biāo)準(zhǔn)件與待檢測(cè)件的匹配率：

I(A,B)=(1-I)×100%

(22)

其中:A為標(biāo)準(zhǔn)件，B為待檢測(cè)件。

(23)

匹配率測(cè)試結(jié)果見表2。

表2 匹配率結(jié)果對(duì)比

從表2中可以得知，對(duì)于小輪廓缺陷，匹配率并沒有明顯的差異，Hu不變矩方法不能準(zhǔn)確地識(shí)別出缺陷。為此，本文提出了模糊集合的輪廓提取算法和缺陷識(shí)別方法，包含輪廓提取、圖像對(duì)準(zhǔn)匹配以及缺陷檢測(cè)三個(gè)主要步驟，下面給出實(shí)驗(yàn)結(jié)果及分析。

3.2 模糊集合輪廓提取實(shí)驗(yàn)結(jié)果及分析

結(jié)合模糊集合推理檢測(cè)沖壓件邊緣，輸入隸屬函數(shù)為高斯函數(shù)的區(qū)間選取為[-0.2,0.2]，μZERO(u(i,j))=e-20u(i,j)2，權(quán)重比例系數(shù)選定為λ1=0.2，λ2=0.8，對(duì)倒角類沖壓零件采集圖像，采用模糊集合提取輪廓，并選取canny算法作為對(duì)比方法，結(jié)果如圖7。

圖7 輪廓提取圖像

其中，為了便于直觀分析實(shí)驗(yàn)結(jié)果，分別截取突顯其中的一部分如圖8。

圖8 輪廓提取結(jié)果圖

其中(a)～(c)列圖像依次為測(cè)試圖像、采用canny算子提取的輪廓結(jié)果、本文算法提取的輪廓結(jié)果，對(duì)比試驗(yàn)結(jié)果，canny算子容易存在偽邊緣，本文提出的模糊集合輪廓提取算法，無需確定閾值，邊緣更加清晰、定位更準(zhǔn)確，適用于形狀不規(guī)則的輪廓檢測(cè)。

3.3 圖像對(duì)準(zhǔn)匹配實(shí)驗(yàn)結(jié)果及分析

對(duì)輪廓進(jìn)行HOUGH變換，進(jìn)而計(jì)算旋轉(zhuǎn)量Δθ以及平移量(Δx,Δy)，通過旋轉(zhuǎn)、平移仿射變換，校正待檢測(cè)沖壓件。待檢測(cè)沖壓件根據(jù)標(biāo)準(zhǔn)件仿射變換結(jié)果如圖9，依次為標(biāo)準(zhǔn)件、待檢測(cè)合格件、待檢測(cè)合格件校正。

圖9 校正合格件結(jié)果圖

將兩個(gè)缺陷件圖像作為測(cè)試圖像，以圖10中標(biāo)準(zhǔn)件為基準(zhǔn)校正后的結(jié)果如圖10，其中(a)列圖像為缺陷件圖像，(b)列為校正后的圖像。

圖10 校正缺陷件結(jié)果圖

將旋轉(zhuǎn)后的待檢測(cè)件圖像背景補(bǔ)白，與標(biāo)準(zhǔn)件圖像按照相同的標(biāo)準(zhǔn)裁剪(依次為標(biāo)準(zhǔn)件、待檢測(cè)合格件以及缺陷件)，結(jié)果如圖11，其中(a)標(biāo)準(zhǔn)件圖像，(b)為待檢測(cè)合格件，(c)-(d)為待檢測(cè)缺陷件。

圖11 補(bǔ)白裁剪后結(jié)果

圖像完成校正后，采用差分相似匹配算法，檢測(cè)缺陷，實(shí)驗(yàn)結(jié)果如圖12，從實(shí)驗(yàn)結(jié)果中可以很明顯的識(shí)別出待檢測(cè)沖壓件是否存在缺陷。對(duì)待檢測(cè)沖壓件輪廓缺陷部位進(jìn)行定位、標(biāo)記，結(jié)果如圖13。

圖12 差值圖

圖13 缺陷標(biāo)記圖

通過計(jì)算可以得到待檢測(cè)沖壓件與標(biāo)準(zhǔn)件的相似距離D與輪廓缺陷最大偏差值d，見表3，從而精確分析輪廓缺陷邊緣偏差情況。

表3 待檢測(cè)沖壓件與標(biāo)準(zhǔn)件相似距離和缺陷偏差

為了比較本文所算法與文獻(xiàn)[7]中算法輪廓缺陷檢測(cè)的準(zhǔn)確性以及快速性，取相同的標(biāo)準(zhǔn)件與500件待檢測(cè)沖壓件為測(cè)試對(duì)象。在Intel 3.6 GHz處理器上，通過c++編程進(jìn)行對(duì)比實(shí)驗(yàn)。

本文設(shè)置閾值TH=7000，定義檢測(cè)率為正確識(shí)別概率，誤檢率為合格件識(shí)別成缺陷件的概率，漏檢率為缺陷件識(shí)別成合格件的概率，實(shí)驗(yàn)結(jié)果見表4。

實(shí)驗(yàn)結(jié)果表明本文算法能夠快速、準(zhǔn)確地識(shí)別出缺陷件，可靠地解決了倒角類沖壓零件小輪廓缺陷視覺檢測(cè)難題。本文算法能夠檢測(cè)出占整個(gè)零件的0.4%以上的缺陷，量化標(biāo)準(zhǔn)為：輪廓包圍面積，統(tǒng)計(jì)結(jié)果見表5。

表4 識(shí)別結(jié)果

表5 缺陷比例

4 結(jié)論

針對(duì)倒角類沖壓零件奇異不規(guī)則，輪廓缺陷特征弱小等難題，提出倒角類沖壓零件輪廓缺陷視覺檢測(cè)方法，并介紹了檢測(cè)系統(tǒng)結(jié)構(gòu)以及工作原理。針對(duì)圖像本身實(shí)物邊緣與背景像素是逐漸過渡的存在模糊性，引入模糊集合，在無需確定閾值的情況下快速提取輪廓，適用于這種形狀不規(guī)則的輪廓檢測(cè)；根據(jù)輪廓的點(diǎn)、線特征，采用HOUGH變換定位沖壓零件，計(jì)算旋轉(zhuǎn)、平移量，以沖壓件模板圖像為期望值校正待檢測(cè)沖壓件圖像；計(jì)算相似距離，提出對(duì)準(zhǔn)差分相似匹配方法。實(shí)驗(yàn)結(jié)果證明：該檢測(cè)系統(tǒng)以及方法能夠準(zhǔn)確實(shí)現(xiàn)圖像對(duì)準(zhǔn)，識(shí)別缺陷，并且能夠在圖像上明顯標(biāo)記出缺陷的位置，快速、準(zhǔn)確、有效、直觀，適應(yīng)性強(qiáng)，能夠檢測(cè)出占整個(gè)零件的0.4%以上的缺陷，滿足倒角類沖壓零件小輪廓缺陷檢測(cè)的要求。